Claude Cowork es la apuesta de Anthropic por la IA agéntica aplicada a algo muy doméstico y, a la vez, delicadísimo: tu sistema de archivos. No hablamos de un chatbot que te explica cómo ordenar documentos, sino de una herramienta que puede mirar dentro de una carpeta local, interpretar lo que hay y ejecutar acciones como renombrar y reorganizar archivos. Es el salto de “te digo qué hacer” a “lo hago por ti”.
La imagen mental ayuda: hasta ahora, muchas IAs eran como un asesor que te sugiere cómo ordenar el trastero. Cowork se parece más a darle las llaves de casa a ese asesor y decirle: “ordena tú el trastero”. Puede salir genial o puede acabar con la caja de facturas en el contenedor equivocado. Y la responsabilidad, como recordaba el propio David Gewirtz en su prueba para ZDNET, se queda en el usuario.
“Research preview”: potencia experimental con etiqueta de prototipo
El propio posicionamiento de Cowork es una declaración de intenciones. Anthropic lo define como “research preview”, una fase experimental en la que conviene asumir comportamientos inesperados. No es solo una forma elegante de decir “esto puede fallar”: implica que el producto todavía está encontrando sus límites en rendimiento, estabilidad y experiencia de uso.
En la práctica, esto se nota en detalles que un usuario no técnico no suele tolerar bien: mensajes confusos, reinicios que “arreglan” problemas y tareas que se quedan a medias. En un editor de texto, eso molesta. En una herramienta con acceso a tus archivos, eso inquieta.
Requisitos y precio: Mac con Apple Silicon y planes de pago
Por ahora, Cowork está limitado a Mac con Apple Silicon, en forma de aplicación descargable. Algunas funciones pueden asomarse desde el navegador, pero la esencia del asunto —interactuar con carpetas locales— se juega en escritorio.
El precio también ha sido parte de la conversación. Según contó ZDNET, el acceso arrancó ligado al plan Max de Anthropic, con un mínimo de 100 dólares al mes, y poco después se abrió también a usuarios del plan Pro de 20 dólares al mes, previsiblemente con más restricciones de capacidad. En términos de mercado, esto coloca a Cowork como producto para curiosos avanzados y primeros adoptantes, no como un “imprescindible” masivo… todavía.
La gran palanca: “Work in a Folder” y el dilema de la confianza
La función clave es Work in a Folder, donde eliges qué carpeta va a inspeccionar la IA. Ese simple selector cambia el juego, porque convierte tu almacenamiento en un “territorio operativo”. Y aquí aparece la primera tensión: para ser útil, Cowork necesita ver cosas reales; cuanto más ve, más útil puede ser; cuanto más ve, más datos sensibles pasan por el proceso.
Gewirtz lo muestra con un ejemplo muy humano: al pedirle que analizara una carpeta de escaneos domésticos, el resultado fue técnicamente bueno, pero demasiado revelador como para compartirlo. Ese momento es importante porque resume el choque entre productividad y privacidad: la herramienta puede ser brillante y, al mismo tiempo, darte ganas de cerrar la tapa del portátil.
Pruebas controladas: el laboratorio casero antes de soltarlo “en vivo”
Una decisión sensata en la prueba fue trabajar con copias en un disco externo, evitando que Cowork tocara carpetas importantes. Es el equivalente a probar un robot aspirador nuevo en una habitación despejada antes de soltarlo por toda la casa con cables, alfombras delicadas y juguetes en el suelo.
El enfoque se apoyó en tres conjuntos de PDFs: escaneos variados, extractos de tarjetas de crédito y una carpeta de descargas con cientos de documentos. Ese escenario es muy representativo del caos cotidiano: acumulamos PDFs como quien apila papeles en una bandeja de “ya lo miraré”.
Cuando brilla: entender y ordenar archivos por contenido, no por extensión
Donde Cowork empieza a justificar su propuesta es en la organización por contenido. Un sistema clásico tipo Hazel puede clasificar por tipo de archivo o nombre; Cowork intenta clasificar por lo que el documento dice. En la prueba, el flujo fue revelador: primero, analizar la carpeta y detectar archivos con nombres genéricos; después, proponer renombres más descriptivos; finalmente, crear una estructura de carpetas y mover documentos según categorías útiles, diferenciando por ejemplo informes de investigación frente a press kits.
Es un salto cualitativo porque reduce el trabajo que más desgasta: abrir PDFs uno por uno para adivinar qué son. Aquí la metáfora sería la de un bibliotecario que no solo mira el lomo del libro, sino que hojea el índice y decide en qué estantería debe ir. Para periodistas, analistas o cualquiera que trabaje con documentación, eso puede ahorrar horas.
Cuando asusta: cambios reales, memoria que se agota y errores que interrumpen
La otra cara es la fragilidad propia del “preview”. En la prueba aparecieron episodios de saturación: Cowork llegó a exceder su contexto y tuvo que hacer una especie de “compactación” para continuar. Traducido a la vida diaria, es como si tu ayudante estuviera ordenando y, de pronto, tuviera que parar a “reorganizar su cabeza” antes de seguir. No es necesariamente un desastre, pero sí un recordatorio de que su capacidad tiene techo y de que los proyectos grandes pueden tensarla.
También hubo errores de interfaz, como avisos de “prompt demasiado largo” que se solucionaron reiniciando la app. Eso, en una herramienta con permisos para renombrar y mover archivos, no se vive como una simple molestia: se vive como una señal de que hay que avanzar con freno.
El caso de los extractos: utilidad limitada por la calidad del dato
El experimento con extractos de Home Depot es un buen ejemplo de cómo una IA puede estar “haciendo bien su trabajo” y aun así quedarse corta. Cowork pudo revisar información de gasto y generar un informe, pero los extractos describían compras por categorías amplias, sin detallar artículos concretos. La IA no puede inventarse el nivel de precisión que el documento no contiene: si el PDF dice “herramientas”, no habrá milagro que convierta eso en “taladro, brocas y tornillos”.
Hubo otro detalle interesante: la primera pasada se detuvo en años intermedios y fue necesario corregir con una instrucción más exigente para que cubriera todo el rango temporal. Esto subraya algo práctico: la calidad del resultado depende tanto del modelo como de tu capacidad para supervisar y re-preguntar, igual que con un becario rápido que trabaja bien, pero necesita directrices claras.
Las tres grandes preguntas: seguridad, escala y flexibilidad
La prueba termina aterrizando en tres incógnitas que pesan más que cualquier demo llamativa. La primera es seguridad y, sobre todo, confianza. Incluso si Anthropic pone el foco en separar datos locales de entrenamiento y en políticas de transparencia, el simple hecho de abrir la puerta a archivos personales eleva la sensibilidad del producto. Con herramientas así, la pregunta no es solo “¿puede hacerlo?”, sino “¿qué estoy dispuesto a dejarle ver?”.
La segunda es escala. Organizar unos cientos de PDFs ya provocó episodios de limitación de contexto. ¿Qué pasa con decenas de miles de documentos, bibliotecas corporativas o archivos históricos? Aquí se verá si Cowork se convierte en un verdadero gestor documental o se queda en un asistente útil solo para carpetas medianas.
La tercera es flexibilidad. Hay ecosistemas que se resisten: bibliotecas de imágenes en apps específicas, repositorios con reglas propias o contenidos a los que la IA no puede acceder. Si la herramienta se topa con “paredes” técnicas o legales, su promesa se reduce. Un copiloto es menos copiloto cuando no puede entrar en media ciudad.
Copias de seguridad y contención: el protocolo mínimo para no lamentarse
El aprendizaje más claro de esta experiencia es casi aburrido, pero esencial: copias de seguridad probadas y una estrategia de uso con contención. Trabajar con duplicados, revisar cambios antes de aplicarlos a carpetas reales y evitar darle acceso amplio “porque sí” es la diferencia entre una tarde productiva y una historia de terror digital.
Cowork apunta a un futuro donde el ordenador no sea una pila de carpetas olvidadas, sino un espacio que se mantiene solo con ayuda de automatización inteligente. En esa promesa hay valor real. El camino para que sea confiable, estable y escalable todavía tiene curvas.